Descripción de los datos

Abstract

El estudio comparó la expresión génica en piel sana, lesional y no lesional de pacientes con psoriasis, evaluando el impacto a corto plazo del tratamiento con glucocorticoides mediante la comparación de muestras antes y 24 horas después del tratamiento. Se obtuvieron muestras de 17 pacientes, generándose 34 transcriptomas, de los cuales se extrajo ARN total para su secuenciación en la plataforma Illumina NextSeq 500.

Para analizar los datos de RNA-seq se utilizó el pipeline nf-core/rna-seq implementado en Nextflow, lo que permitió asegurar la reproducibilidad y escalabilidad en procesos clave como el control de calidad, la alineación de lecturas y la cuantificación de la expresión génica. La identificación de genes diferencialmente expresados se realizó mediante DESeq2, aplicando modelos estadísticos para detectar cambios significativos entre las condiciones pre y post-tratamiento.

Se efectuó un análisis funcional usando Gene Ontology (GO) y KEGG, identificándose procesos biológicos y vías metabólicas. Los resultados indicaron que el tratamiento con glucocorticoides modula genes implicados en procesos antiinflamatorios y la diferenciación celular. Entre los hallazgos destacados se encuentran la regulación de TSC22D3, involucrado en la respuesta inmune y diferenciación, y GLUL, glutamina sintasa, asociado a la respuesta autoinmune, reafirmando su rol en la psoriasis.

Buenas prácticas de Bioinformática

Nosotros usamos nf-core rnaseq, por lo cual la estructura de nuestras carpetas cambiará un poco, pero explicaremos cada una para que no queden dudas.

├── adapters
│   └── TruSeq3-SE.fa
├── data
│   ├── metadata.tsv
│   └── raw
├── DEG_output
│   └── deseq2_qc
│       ├── deseq2.dds.RData
│       ├── deseq2.pca.vals.txt
│       ├── deseq2.plots.pdf
│       ├── deseq2.sample.dists.txt
│       ├── R_sessionInfo.log
│       └── size_factors
├── quality1
│   ├── multiqc_data
│   ├── multiqc_report.html
│   ├── SRR7959221_fastqc.zip
│   ├── SRR7959222_fastqc.html
│   └── ...
├── quality2
│   ├── aaF1_fastqc.html
│   ├── aaF1_fastqc.zip
│   ├── ...
│   ├── multiqc_data
│   └── multiqc_report.html
├── reference
│   ├── gencode.v47.annotation.gtf.gz
│   └── hg38.fa -> /mnt/Archives/genome/human/GRCh38/UCSC/chromosomes/hg38.fa
├── results
│   ├── Analisis_diferencial
│       ├── dds_TypesnCondition.RData
│       ├── DE_GCvsControl.csv
│       ├── DE_LesionalGC.csv
│       ├── DE_LesionalvsHealthy.csv
│       ├── DE_NonlesionalGC.csv
│       ├── DE_NonLesionalvsHealthy.csv
│       ├── DOWN_GO_GCvsControl.RData
│       ├── figures
│       ├── UP_GO_GCvsControl.RData 
│       └── vst_TypesnCondition.RData
│   ├── fastp
│       ├── aaF1.fastp.html
│       ├── aaF1.fastp.json
│       ├── ...
│       └── log
│           ├── aaF1.fastp.log
│           └── ...
│   ├── fastqc
│       ├── aaF1_fastqc.html
│       ├── aaF1_fastqc.zip
│       ├── ...
│       └── raw
│           ├── aaF1_GC_raw_fastqc.html
│           └── ...
│   ├── multiqc
│       └── star_salmon
│           ├── multiqc_report_data
│           ├── multiqc_report.html
│           └── multiqc_report_plots
│   ├── pipeline_info
│       ├── execution_report_2025-03-25_20-19-09.html`
│       ├── execution_timeline_2025-03-25_20-19-09.html
│       ├── execution_trace_2025-03-25_20-19-09.txt
│       ├── params_2025-03-25_23-40-42.json
│       ├── pipeline_dag_2025-03-25_20-19-09.html
│       ├── samplesheet.valid.csv
│       └── software_versions.yml
│   └── star_salmon
│       ├── aaF1_GC
│           ├── aux_info
│           ├── cmd_info.json
│           ├── libParams
│           ├── logs
│           ├── quant.genes.sf
│           └── quant.sf
│       ├── aaF1_GC.markdup.sorted.bam
│       ├── aaF1_GC.markdup.sorted.bam.bai
│       ├── ...
│       ├── log
│       ├── picard_metrics
│       ├── qualimap
│       ├── rseqc
│       ├── bigwig
│       ├── dupradar
│       ├── featurecounts
│       ├── salmon.merged.gene_counts* #Con esto me refiero a que hay varios archivos de cuentas de salmon.
│       ├── samtools_stats
│       ├── stringtie
│       └── tx2gene.tsv
├── SALMON_index
├── SALMON_output
│   ├── aaF1
│       ├── aux_info
│       ├── cmd_info.json
│       ├── libParams
│       ├── logs
│       ├── quant.genes.sf
│       └── quant.sf
│   ├── ... #Las otras carpetas también son por cada muestra, y son exactamente iguales a la anterior
│   ├── salmon.merged.gene_counts.tsv
│   ├── salmon.merged.*   # Con el * nos referimos a que hay varios archivos que son de las cuentas de salmon.
│   └── tx2gene.tsv
├── scripts
│   ├── cache
│       ├── .nextflow
│       ├── .singularity
│       ├── .singularitynxf
│       ├── .singularitytmp
│       └── .work
│   ├── jobs
│       ├── download_data.sge
│       ├── fastqcs_raw.sge
│       ├── job_quality_raw.sge
│       └── nextflow_rna_seq_fastp.sge
│   ├── out_logs
│       ├── Download_data.o978805
│       ├── Download_data.po978805
│       └── nextflow_test1.o988120
│   ├── r_scripts
│       ├── Analisis.Rproj
│       ├── Data_Visualization.R
│       ├── DEG_Analysis.R
│       ├── GOterms_analysis.R
│       ├── index.html
│       ├── index.Rmd
│       ├── results.zip
│       ├── .Rhistory
│       ├── .Rproj.user
│       └── tables
│   ├── samplesheet.csv
│   └── work
│       ├── 00
│       ├── ...       # El resto son igual, son directorios aislados donde se ejecutan los procesos.
├── STAR_index
├── STAR_output
│   ├── aaF1_GC.markdup.sorted.bam
│   ├── aaF1_GC.markdup.sorted.bam.bai
│   └──  ...  # Los demás archivos son los mismo pero para las demás muestras.
└── TRIM_results
    ├── aaF1_GC.fastp.fastq.gz
    └── ... # Los demás fastqs procesados.

Diagrama de flujo

Resultados

salmon.merged.gene_counts_length_scaled.rds  salmon.merged.gene_counts_scaled.rds  salmon.merged.transcript_counts.rds
salmon.merged.gene_counts_length_scaled.tsv  salmon.merged.gene_counts_scaled.tsv  salmon.merged.transcript_counts.tsv
salmon.merged.gene_counts.rds                salmon.merged.gene_counts.tsv

Expresión diferencial

Utilizando el .Rdata que el pipeline de nf-core/rnaseq generó, se realizó un análisis de expresión diferencial utilizando el paquete DESeq2. Este análisis permite identificar genes que presentan cambios significativos en su expresión entre las diferentes condiciones del estudio (antes y después del tratamiento con glucocorticoides).

Se utilizo ademas la metadata (Tabla 5-1) para realizar un analisis de expresión diferencial entre las muestras de control y tratamiento con glucocorticoides.

Tabla 5-1: Metadata de las muestras de control y tratamiento con glucocorticoides (GC)

sample_title	run_accession	sample_alias	Individuals	Type	Condition
aaF1	SRR7959189	GSM3415442	1	Control	Lesional
aaF1_GC	SRR7959190	GSM3415443	1	GC	Lesional
aaF2	SRR7959191	GSM3415444	2	Control	Lesional
aaF2_GC	SRR7959192	GSM3415445	2	GC	Lesional
aaF3	SRR7959193	GSM3415446	3	Control	Lesional
aaF3_GC	SRR7959194	GSM3415447	3	GC	Lesional
aaM1	SRR7959195	GSM3415448	6	Control	Lesional
aaM1_GC	SRR7959196	GSM3415449	6	GC	Lesional
aaM2	SRR7959197	GSM3415450	7	Control	Nonlesional
aaM2_GC	SRR7959198	GSM3415451	7	GC	Nonlesional
aaM3	SRR7959199	GSM3415452	8	Control	Nonlesional
aaM3_GC	SRR7959200	GSM3415453	8	GC	Nonlesional
HS15	SRR7959201	GSM3415454	4	Control	Lesional
HS16	SRR7959202	GSM3415455	4	GC	Lesional
HS17	SRR7959203	GSM3415456	9	Control	Nonlesional
HS18	SRR7959204	GSM3415457	9	GC	Nonlesional
HS19	SRR7959205	GSM3415458	5	Control	Lesional
HS20	SRR7959206	GSM3415459	5	GC	Lesional
HS1233_control_S10_R1_001	SRR7959207	GSM3415460	10	Control	Nonlesional
HS1233_Gc_S11_R1_001	SRR7959208	GSM3415461	10	GC	Nonlesional
HS1583_control_S1_R1_001	SRR7959209	GSM3415462	12	Control	Nonlesional
HS1583_Gc_S2_R1_001	SRR7959210	GSM3415463	12	GC	Nonlesional
HS1609_control_S12_R1_001	SRR7959211	GSM3415464	13	Control	Healthy
HS1609_GC_S13_R1_001	SRR7959212	GSM3415465	13	GC	Healthy
HS1625_control_S3_R1_001	SRR7959213	GSM3415466	14	Control	Healthy
HS1625_Gc_S4_R1_001	SRR7959214	GSM3415467	14	GC	Healthy
HS1659_control_S14_R1_001	SRR7959215	GSM3415468	15	Control	Healthy
HS1659_GC_S15_R1_001	SRR7959216	GSM3415469	15	GC	Healthy
HS1660_control_S16_R1_001	SRR7959217	GSM3415470	16	Control	Healthy
HS1660_GC_S17_R1_001	SRR7959218	GSM3415471	16	GC	Healthy
HS2100_control_S18_R1_001	SRR7959219	GSM3415472	17	Control	Healthy
HS2100_GC_S19_R1_001	SRR7959220	GSM3415473	17	GC	Healthy
HS2191_GC_S8_R1_001	SRR7959221	GSM3415474	18	Control	Healthy
HS2191_control_S7_R1_001	SRR7959222	GSM3415475	18	GC	Healthy

Apartir de esto se modifico el objeto dds anteriormente creado con el pipeline de nextflow para que contenga la metadata y que incluya las variables que queremos observar, en este caso el tratamiento y el tipo de muestra. Se utilizo el paquete DESeq2 para realizar el analisis de expresión diferencial, usando la función DESeq() ejecutamos el analisis de expresion diferencial para posteriormente realizar una transformacion de varianza estabilizada (VST), es una técnica que ajusta los datos para hacer que la varianza sea más homogénea entre diferentes niveles de expresión.

Para identificar patrones en los datos, se realizó un análisis de componentes principales (PCA) sobre la matriz normalizada. El PCA es una técnica estadística que reduce la dimensionalidad de los datos y permite visualizar la variabilidad en las muestras. Se utilizaron las variables Type (tratamiento) y Condition (La condición de la piel) para observar cómo se distribuyen las muestras en el espacio de componentes principales.

Figura 5-1: La figura muestra un Análisis de Componentes Principales (PCA) basado en datos transformados mediante VST (Variance Stabilizing Transformation), donde los puntos representan muestras clasificadas según la condición de la piel y el tipo de tratamiento. La condición de la piel se indica con colores: rojo para piel saludable, verde para piel con lesión y azul para piel no lesionada, mientras que el tipo de muestra se diferencia por la forma: círculos para controles y triángulos para muestras tratadas con glucocorticoides. Las distribuciones marginales en los ejes permiten observar la variabilidad y agrupamiento de las muestras en los primeros dos componentes principales (PC1 y PC2). En cuanto a la distribución según el tratamiento, se observa que las muestras tratadas con glucocorticoides (triángulos) tienden a agruparse en valores positivos de PC2, mientras que las muestras de control (círculos) están distribuidas en un rango más amplio de PC2, con una mayor presencia en valores negativos. Esto sugiere que el tratamiento con glucocorticoides está asociado con una variabilidad específica capturada en PC2, diferenciándose de las muestras de control en esta dimensión del espacio de componentes principales. Además se observa que las muestras saludables (rojo) tienden a agruparse en valores positivos de PC1, mientras que las muestras lesionadas (verde) y no lesionadas (azul) se concentran en valores negativos de PC1, con una mayor superposición entre estas dos últimas, lo que sugiere que las muestras lesionadas y no lesionadas son más similares entre sí en este espacio de representación que respecto a las muestras saludables.

Los resultados de la funcion results() del paquete DESeq2 nos permiten observar los genes que presentan cambios significativos en su expresión entre las diferentes condiciones del estudio (antes y después del tratamiento con glucocorticoides).

out of 50781 with nonzero total read count
adjusted p-value < 0.1
LFC > 0 (up)       : 661, 1.3%
LFC < 0 (down)     : 667, 1.3%
outliers [1]       : 672, 1.3%
low counts [2]     : 30935, 61%
(mean count < 6)
[1] see 'cooksCutoff' argument of ?results
[2] see 'independentFiltering' argument of ?results

Chunk 1: Se identificaron un total de 1.328 genes (661 sobreexpresados + 667 subexpresados) que muestran cambios significativos en respuesta al tratamiento con glucocorticoides. 672 genes fueron atipicos, estos son genes que mostraron patrones de expresión extremos o inconsistentes. El 61% restante corresponde a genes con conteos bajos, lo que indica que no se detectaron suficientes lecturas para realizar un análisis confiable de su expresión.

La cantidad de genes diferencialmente expresados se puede ver de una mejor manera en el volcano plot (Figura 5-2).

Figura 5-2: Volcano plot que muestra la relación entre el log2 del cociente de las medias de expresión (log2FoldChange) y el valor p ajustado (-log10(padj)) para los genes analizados. Los puntos en la parte derecha representa a los genes sobreexpresados, mientras que la parte izquierda son los genes subexpresados. El color gris representa la insignificancia de los genes.

Viendo esto podemos hacer un heatmap (Figura 5-3) para identificar cuales son los genes que se encuentran sobreexpresados y subexpresados en las muestras tratadas con glucocorticoides. En los resultados coinciden con la idea de que los glucocorticoides tienen un efecto antiinflamatorio, ya que se observa una disminución en la expresión de genes relacionados con la inflamación y la respuesta inmune. Los que vamos a tomar en cuenta para este reporte son: GLUL, TSC22D3, BEST2, LAMA2 y DKK1.

Figura 5-3: Heatmap que muestra la expresión de los genes diferencialmente expresados en las muestras tratadas con glucocorticoides. Los colores indican la magnitud de la expresión, donde el rojo representa una mayor expresión y el azul una menor expresión.

Analisis funcional

Para comprobar las funciones de los genes se realizó un análisis funcional utilizando el paquete gprofiler2, que permite realizar un análisis de enriquecimiento funcional y obtener información sobre los procesos biológicos, vías metabólicas y funciones moleculares asociadas a los genes diferencialmente expresados.

Los resultados del análisis funcional se presentan en la Figura 6-1, donde se observa que los genes diferencialmente sobreexpresados están relacionados con procesos biológicos.

Se usa gost() para realizar el análisis de sobre-representación de términos de Gene Ontology (GO:BP, GO:CC, GO:MF), rutas de KEGG, Reactome (REAC) y bases de datos adicionales como WP, TF, MIRNA, CORUM, HP y HPA.

Se almacenan los términos enriquecidos para genes up- y down-regulated.

Gráfico Manhattan (Figura 6-1c): Se genera una imagen de dispersión (Manhattan plot) con los términos enriquecidos y su significancia (p-value).

Barplot de genes Down-regulated(Figura 6-1d): Se grafican los 40 términos más enriquecidos para genes subexpresados.

Barplot de genes Up-regulated(Figura 6-1a): Se grafican los 40 términos más enriquecidos para genes sobreexpresados.

a

b

`

Ademas se realizo una visualizacion de la via de señalizacion de IL-17 que se caracteriza principalmente por la activacion de la via de NF-kB y MAPK, lo que lleva a la produccion de citoquinas proinflamatorias como IL-6, IL-8 y TNF-alfa. Esta via es importante en la patogenesis de la psoriasis, ya que se ha demostrado que los glucocorticoides pueden inhibir la activacion de esta via y reducir la inflamacion en la piel.

Utilizando el paquete pathview, se generó una visualización de la vía de señalización de IL-17 (Figura 6-2). Esta vía es relevante en la psoriasis, ya que se ha demostrado que los glucocorticoides pueden inhibir su activación y reducir la inflamación en la piel.

Figura 6-2: Visualización de la vía de señalización de IL-17. Los genes diferencialmente expresados se resaltan en la vía, mostrando su regulación positiva(Rojo) o negativa(Verde).

Discusión

El objetivo del artículo “Endogenous Glucocorticoid Deficiency in Psoriasis Promotes Inflammation and Abnormal Differentiation” es entender, a nivel de la biología molecular, el efecto de la baja producción endógena de glucocorticoides en la psoriasis. Los autores demuestran que la deficiencia de glucocorticoides induce una respuesta proinflamatoria por parte de los queratinocitos, y que la biosíntesis de glucocorticoides es suprimida por las citoquinas proinflamatorias. También prueban que un tratamiento con glucocorticoides tópicos podría restablecer estas vías de producción endógena de glucocorticoides y normalizar la diferenciación epidérmica. Se enfocaron en estudiar los genes relacionados con los glucocorticoides, especialmente NR3C1.

Por otra parte, nuestro objetivo es encontrar genes diferencialmente expresados en la psoriasis y su relación con los glucocorticoides. Para esto, realizamos un análisis de expresión diferencial entre muestras de piel con psoriasis, antes y después del tratamiento con glucocorticoides. Encontramos que los genes están relacionados con la respuesta inmune, la inflamación, la proliferación y la biosíntesis de aminoácidos, entre otros procesos, lo que sugiere que los glucocorticoides pueden tener un efecto antiinflamatorio en la psoriasis.

Uno de los hallazgos más relevantes que encontramos en nuestro análisis de expresión diferencial (Figura 5-3) fue la sobreexpresión de GLUL en las muestras tratadas con glucocorticoides. Este gen codifica para la enzima glutamina sintetasa, que es responsable de la síntesis de glutamina a partir de glutamato y amoníaco. El glutamato activa los receptores de glutamato en las células inmunitarias (especialmente en las células \(T\gamma\delta\)). La activación de estos receptores afecta la supervivencia de dichas células y modula los niveles de citoquinas proinflamatorias como la IL-17A, la cual induce inflamación mediante el reclutamiento de neutrófilos, aumentando la respuesta autoinmune, así como la liberación de quimiocinas y péptidos antimicrobianos, como se puede observar en la Figura 6-2. Por lo tanto, la sobreexpresión de GLUL en las muestras tratadas con glucocorticoides podría estar relacionada con la disminución de la inflamación ya que transforma el glutamato en glutamina, impidiendo la produccion de IL-17A. Además, en la figura 6-1a se observa que los procesos biológicos asociados con genes sobreexpresados incluyen rutas metabólicas relacionadas con el glutamato y la glutamina. Esto sugiere que el tratamiento con glucocorticoides podría estar modulando la vía de señalización de IL-17A mediante la regulación del metabolismo de aminoácidos.

Otro hallazgo importante fue la sobreexpresión de TSC22D3 (conocida tambien como GLIZ), un gen que codifica para una proteína que actúa como un represor transcripcional de la IL-17 limitando la diferenciacion celular proinflamatoria y esta proteina interactua con otras citoquinas proinflamatorias. GLIZ interfiere con interacciones proteina-proteina con los factores de transcripción NF-kB y AP-1 impidiendo las translocasion nuclear. Ademas GLIZ se una a RAS/RAF y suprimir la via MAPK. Dado que GLIZ al expresarse tiene un papel antiinflamatorio. En nuestros resultados, obtuvimos una sobreexpresion de GLIZ o TSC22D3 sugiriendo que su sobreexpresión podría contribuir a la disminución de la inflamación en las muestras tratadas con glucocorticoides.

El ultimo hallazgo que obtuvimos fue en relacion al gen DKK-1 o tambien conocida como Dickkopf-1 que codifica para una proteína que actúa inhibidor de la vía Wnt/β-catenina,las cascadas de senalizacion de esta via son cruciales en muchos procesos biologicos como migracion celular, diferenciacion, proliferacion celular; en este caso nos enfocaremos en este ultimo proceso biologico. En tejidos sanos DKK-1 normalmente tiene una expresion moderada, en nuestros resultados podemos observar en las muestras tratadas con glucocorticoides DDK-1 tiene una expresion moderada, esto sugiere a que el tejido esta mejorando, diferencia de las muestras sin tratamiento se observa a DDK-1 infraexpresado, lo cual es congruente ya que a menor expresion de este gen, aumenta la proliferacion celular por medio de la via Wnt/β-catenina.

Para finalizar, queremos señalar que, si bien el pipeline de Nextflow fue de gran utilidad y facilitó considerablemente el procesamiento inicial de los datos, el análisis de expresión diferencial y el análisis funcional resultaron más complejos. Esto se debe a que no existe una herramienta completamente automatizada que se ajuste a las condiciones específicas y criterios experimentales que requeríamos.

Adicionalmente, detectamos indicios de posible contaminación en algunas muestras. Sin embargo, no fue posible corregir este problema, ya que desconocemos el organismo responsable del ruido observado en los análisis de control de calidad.

Citas y referencias

Loukia N. Lili, Anna Klopot, Benjamin Readhead, Gleb Baida, Joel T. Dudley, Irina Budunova, Transcriptomic Network Interactions in Human Skin Treated with Topical Glucocorticoid Clobetasol Propionate, Journal of Investigative Dermatology, Volume 139, Issue 11, 2019, Pages 2281-2291, ISSN 0022-202X, https://doi.org/10.1016/j.jid.2019.04.021. (https://www.sciencedirect.com/science/article/pii/S0022202X1931629X) Abstract: Glucocorticoids are the most frequently used anti-inflammatory drugs in dermatology. However, the molecular signature of glucocorticoids and their receptor in human skin is largely unknown. Our validated bioinformatics analysis of human skin transcriptome induced by topical glucocorticoid clobetasol propionate (CBP) in healthy volunteers identified numerous unreported glucocorticoid-responsive genes, including over a thousand noncoding RNAs. We observed sexual and racial dimorphism in the CBP response including a shift toward IFN-α/IFN-γ and IL-6/Jak/Signal transducer and activator of transcription (STAT) 3 signaling in female skin; and a larger response to CBP in African-American skin. Weighted gene coexpression network analysis unveiled a dense skin network of 41 transcription factors including circadian Kruppel-like factor 9 (KLF9), and ∼260 of their target genes enriched for functional pathways representative of the entire CBP transcriptome. Using keratinocytes with Kruppel-like factor 9 knockdown, we revealed a feedforward loop in glucocorticoid receptor signaling, previously unreported. Interestingly, many of the CBP-regulated transcription factors were involved in the control of development, metabolism, circadian clock; and 80% of them were associated with skin aging showing similarities between glucocorticoid-treated and aged skin. Overall, these findings indicate that glucocorticoid receptor acts as an important regulator of gene expression in skin—both at the transcriptional and posttranscriptional level—via multiple mechanisms including regulation of noncoding RNAs and multiple core transcription factors.

Guanhua Li, Lu Liu, Zhihua Yin, Zhizhong Ye, Nan Shen, Glutamine metabolism is essential for the production of IL-17A in γδ T cells and skin inflammation, Tissue and Cell, Volume 71, 2021, 101569, ISSN 0040-8166, https://doi.org/10.1016/j.tice.2021.101569. (https://www.sciencedirect.com/science/article/pii/S0040816621000859) Abstract: γδ T cell is one of the most important pathogenic immune cells in autoimmunity, especially in mucosal and epithelial diseases. Metabolism is essential for the maintenance of immune homeostasis. However, unlike αβ T cells, the metabolic regulation of γδ T cell activation still remain unclear. Here, we identified glutamine metabolism as a critical regulator for the generation of IL-17-producing γδ T cells. Metabolic screening uncovered that amino acids related to glutamine metabolism increased most obviously during γδ T cell activation. Pharmaceutical blocking of glutamine impaired IL-17 production in γδ T cells both in vitro and in vivo. Mechanism studies further revealed that genes downregulated upon glutamine deprivation enriched in IL-17 and IL-23/STAT3 signaling pathways. Consistent with this, the activation of STAT3 was suppressed after glutamine blocking. More importantly, application of glutamine antagonist in vivo alleviated the progression of IL-23 induced psoriatic mice model. In addition, both the glutamine level and the expression of glutamine related enzymes were found higher in psoriasis patients when compared with healthy controls. Therefore, our work identified an important metabolic regulatory pathway in γδ T cell activation and suggested that glutamine metabolism could be used as a target for the treatment of γδ T cell related diseases. Keywords: Autoimmune disease; γδ T cell; Glutamine metabolism

X. Liu, X. Li, S. Wang, Q. Liu, X. Feng, W. Wang, Z. Huang, Y. Huang, J. Wu, M. Cai, X. Cai, X. Xu, J. Cai, & M. Li, ATOH8 binds SMAD3 to induce cellular senescence and prevent Ras-driven malignant transformation, Proc. Natl. Acad. Sci. U.S.A. 120 (3) e2208927120, https://doi.org/10.1073/pnas.2208927120 (2023).

Thesseling FA, Hutter MC, Wiek C, Kowalski JP, Rettie AE, Girhard M. Novel insights into oxidation of fatty acids and fatty alcohols by cytochrome P450 monooxygenase CYP4B1. Arch Biochem Biophys. 2020 Jan 15;679:108216. doi: 10.1016/j.abb.2019.108216. Epub 2019 Dec 1. PMID: 31801692; PMCID: PMC6957734.

Mushtaq Ahmed, Sarah L. Gaffen, IL-17 inhibits adipogenesis in part via C/EBPα, PPARγ and Krüppel-like factors, Cytokine, Volume 61, Issue 3, 2013, Pages 898-905, ISSN 1043-4666, https://doi.org/10.1016/j.cyto.2012.12.007. (https://www.sciencedirect.com/science/article/pii/S1043466612008174) Abstract: IL-17 is an inflammatory cytokine associated with anti-microbial host defense and pathogenesis of autoimmune diseases. Obesity is considered to be an inflammatory condition, but how cytokines and fat metabolism are interconnected remains poorly understood. Mesenchymal stem cells can differentiate into adipocytes, which serve as depots for stored fat. Despite the pro-inflammatory properties of IL-17, both IL-17- and IL-17RA-deficient mice are overweight. Consistently, IL-17 suppresses maturation of cells with adipogenic potential. However, the mechanism underlying IL-17-mediated inhibition is not defined. In this study, we addressed this question by evaluating the impact of IL-17 on a variety of transcription factors (TFs) that control adipogenesis, using 3T3-L1 cells to model adipocyte differentiation. Surprisingly, IL-17 does not suppress adipogenesis via C/EBPβ and C/EBPδ, TFs often considered to be central regulators of adipogenesis. Rather, IL-17 suppresses expression of several pro-adipogenic TFs, including PPARγ and C/EBPα. Moreover, we found that IL-17 regulates expression of several members of the Krüppel-like family (KLF). Specifically, IL-17 suppresses KLF15, a pro-adipogenic TF, and enhances expression of KLF2 and KLF3, which are anti-adipogenic. Thus, IL-17 suppresses adipogenesis at least in part through the combined effects of TFs that regulate adipocyte differentiation. Keywords: IL-17; Adipocyte; Fat; Inflammation; Transcription factor

AUTHOR=Sevilla Lisa M. , Pérez Paloma

TITLE=Glucocorticoids and Glucocorticoid-Induced-Leucine-Zipper (GILZ) in Psoriasis

JOURNAL=Frontiers in Immunology

VOLUME=10

YEAR=2019

URL=https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2019.02220

DOI=10.3389/fimmu.2019.02220

ISSN=1664-3224

Psoriasis is a prevalent chronic inflammatory human disease initiated by impaired function of immune cells and epidermal keratinocytes, resulting in increased cytokine production and hyperproliferation, leading to skin lesions. Overproduction of Th1- and Th17-cytokines including interferon (IFN)-γ, tumor necrosis factor (TNF)-α, interleukin (IL)-23, IL-17, and IL-22, is a major driver of the disease. Glucocorticoids (GCs) represent the mainstay protocol for treating psoriasis as they modulate epidermal differentiation and are potent anti-inflammatory compounds. The development of safer GC-based therapies is a high priority due to potentially severe adverse effects associated with prolonged GC use. Specific efforts have focused on downstream anti-inflammatory effectors of GC-signaling such as GC-Induced-Leucine-Zipper (GILZ), which suppresses Th17 responses and antagonizes multiple pro-inflammatory signaling pathways involved in psoriasis, including AP-1, NF-κB, STAT3, and ROR-γt. Here we review evidence regarding defective GC signaling, GC receptor (GR) function, and GILZ in psoriasis. We discuss seemingly contradicting data on the loss- and gain-of-function of GILZ in the imiquimod-induced mouse model of psoriasis. We also present potential therapeutic strategies aimed to restore GC-related pathways.

Chen, W., Xie, K., Liu, X., & Chen, H. (2016). Identification of key pathways and genes in psoriasis via gene microarray analysis. Molecular Medicine Reports, 13, 2327-2337. https://doi.org/10.3892/mmr.2016.4790

Seifert, O., Söderman, J., Skarstedt, M., Dienus, O., & Matussek, A. (2014). Increased Expression of the Wnt Signalling Inhibitor Dkk-1 in Non-lesional Skin and Peripheral Blood Mononuclear Cells of Patients with Plaque Psoriasis. Acta Dermato-Venereologica, 95(4), 407–410. https://doi.org/10.2340/00015555-1970